研究人员在材料研发中往往先明确目标功能，例如更高导电性、更强耐热性、对外界刺激的响应能力或特定颜色表现，但将这些需求转化为可复现的化学配方与制造流程，通常需要长时间的反复试验。对于由多种分子“构件”组成、结构组合空间巨大的聚合物而言，微小配方变化就可能带来显著且难以预测的性能差异，使研发难度进一步上升。

美国能源部（DOE）阿贡国家实验室、芝加哥大学和普渡大学的研究人员近日展示了一套面向聚合物的自主逆向设计工作流程，旨在从目标性能出发，以更少实验次数获得可行配方。相关论文发表于《美国化学会杂志》（Journal of the American Chemical Society）。阿贡国家实验室科学家、芝加哥大学普利茨克分子工程学院助理教授徐杰表示，该工作流程使研究人员能够从期望性能出发，由系统引导寻找聚合物配方，从而减少长期“猜测—试错”的过程。

该工作流程将传统研究中常相对分离的三个环节打通。第一步是自动化“知识收集”：团队利用AI文献“阅读”工具从已发表论文中提取数据，覆盖文本、表格以及图像中的关键信息，将研究人员通常需要手工整理的实验细节与结果转化为可用数据。阿贡数据科学与学习部主任、阿贡杰出研究员、芝加哥大学计算机科学教授伊恩·福斯特称，相关工具能够以更大规模处理科学文献，并为后续实验提供起点；随着模型从新实验结果中持续学习，系统会不断更新与改进。

第二步是机器学习预测：在已有数据基础上，模型评估不同构件组合产生目标性能的可能性，并给出下一步更优的实验建议。第三步是自动化实验闭环：预测结果直接输入自主实验室流程，由机器人完成聚合物合成、纯化、样品制备与性能测量，并将测量结果反馈给模型，用于迭代优化下一轮预测。阿贡科学家亨利·陈将这一过程类比为“化学领域的GPS”，即利用既有知识与实时反馈，减少在大量配方组合中的盲目搜索。

上述闭环在阿贡纳米尺度材料中心的自主实验室平台Polybot上运行。该中心为DOE科学办公室用户设施。Polybot通过AI驱动系统协调机器人与仪器，使实验能够连续开展并尽量减少人工干预，同时在逆向设计循环中让每次实验更接近目标结果。

为检验该流程在高精度目标下的表现，研究团队选择电致变色聚合物作为示范对象。这类材料在施加小电压时可改变颜色或透明度，被视为智能窗户等技术的候选材料，也可用于增强现实与虚拟现实头显的染色层。阿贡材料工程研究设施可打印电子实验室负责人张跃鹏表示，电致变色聚合物的优势之一在于可通过印刷方式制备并形成面向器件的图案，团队也与其合作将相关聚合物打印成原型显示设备。

研究人员指出，尽管电致变色聚合物已被广泛研究，但“精确达到某一色调”比实现大致的红色或绿色更具挑战。普渡大学理查德与朱迪思·温恩化学教授、论文合著者梅建国表示，颜色可用标准化色彩坐标（如RGB值）进行量化定义，但要实现接近的颜色匹配，通常需要对聚合物配方进行大量优化；RGB指使用红、绿、蓝三色光的视频显示模型。

在实验实施上，团队首先通过文献挖掘建立电致变色聚合物数据库，纳入聚合物结构、合成细节及对应颜色数据，并据此计算标准化颜色值，绘制已报道颜色的“地图”。随后，研究人员让Polybot瞄准该地图中记录较少或缺乏配方的两个颜色目标，即具有挑战性的绿色与橙色调。

研究团队称，在72小时内，Polybot自主提出配方、合成材料并检测结果是否符合目标。面对超过一千种潜在组合，系统仅通过几十次实验就锁定了接近匹配的配方，并通过对三种不同构件比例进行小幅、逐步调整实现逼近。每次实验的新结果都会被写回数据库，用于提升下一轮预测的准确性。

研究人员表示，这一框架的意义不局限于变色材料。将自动化知识收集、预测性机器学习与机器人迭代实验结合的逆向设计流程，可用于其他搜索空间大、试错成本高的材料研发任务。徐杰与梅建国在文中指出，电致变色性能的逆向设计是该AI—机器人框架的首个示范能力，相同方法可扩展至机械、光学、电学等其他性能目标以及其他材料类别。